Kernekoncepter
Bewertung der Out-of-Distribution Generalisierung ist ein wesentliches, aber oft vernachlässigtes Problem in der Entwicklung von Algorithmen.
Statistik
In realen Anwendungen können wir kaum garantieren, dass die Testdaten, auf die bereitgestellte Modelle treffen, mit der gleichen Verteilung wie die Trainingsdaten übereinstimmen.
Es gibt verschiedene Arten von Verteilungsverschiebungen, die die Leistung von ML-Algorithmen beeinträchtigen können.
Die OOD-Bewertung bietet zusätzliche Vorteile im Vergleich zur direkten Entwicklung eines Modells für OOD-Generalisierung.
Citater
"Die Herausforderungen umfassen Probleme wie Datenschutzverletzungen, schwache Interpretierbarkeit von Black-Box-Modellen und eine bemerkenswerte Abnahme der Generalisierungsleistung bei Verteilungsverschiebungen."